[发明专利]基于卷积神经网络的气体管道泄漏识别方法

摘要

本发明提出一种基于卷积神经网络的气体管道泄漏识别方法，在采集典型泄漏类型的泄漏声信号和背景声信号后，进行分帧处理以及短时傅里叶变化得到表征原始泄漏声信号的时频图；而后搭建针对于泄漏声信号的卷积神经网络分类模型，将传统的正方形卷积核改变为特定长条状的长方形卷积核从而能够更好的提取到时频图中的线谱特征；将泄漏声和背景声的时频图混合送入搭建好的卷积神经网络进行训练，训练采用K折交叉验证，对网络模型超参数进行优化，从而选出最优的模型超参数并增强模型的鲁棒性和普适性。该方法相较于现有技术中的管道泄漏识别方法不但在识别率上有进一步的提升，而且还能有效的解决现有技术中最难以处理的特征筛选问题。

主权项

1.一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：包括以下步骤：步骤1：模拟实际输气管道中的典型泄漏类型，通过麦克风阵列分别采集各典型泄漏类型的泄漏声信号和背景声信号；步骤2：对采集到的泄漏声信号和背景声信号进行分帧处理，得到大规模的短时音频信号；步骤3：定义短时傅里叶变化窗函数长度，将短时音频信号进行短时傅里叶变化得到表征原始信号的时频图；步骤4：基于时频图中的线谱横向纹理特征，搭建适用于气体管道泄漏检测的卷积神经网络模型：其中网络模型架构为：第一层为卷积层，卷积核的大小为5*3，其厚度为3，个数为16；对卷积之后得到的16个特征图进行最大池化操作，池化核的大小为3*3；第二层为卷积层，卷积核的大小为3*1，其厚度为16，个数为32；对卷积之后得到的32个特征图进行最大池化操作，池化核的大小为3*3；第三层为卷积层，卷积核的大小为3*1，其厚度为32，个数为64；对卷积之后得到的64个特征图进行最大池化操作，池化核的大小为3*3；第四层为全连接层，全连接层采用128个神经元；第五层为softmax层，作为分类层；该层采用两个神经元，作为泄漏与否的二分类结果；网络模型中各层的激活函数均采用ReLU函数，且在各层中均使用Dropout操作，其中网络模型中前四层还使用局部响应归一化操作；网络模型的模型损失函数采用交叉熵函数：其中m表示一次参与网络训练的样本个数，y⁽ⁱ⁾表示第i个样本为泄漏类别的真实概率，表示第i个样本为通过网络模型进行计算得到的泄漏类别概率；步骤5：将步骤3得到的泄漏声信号时频图和背景声信号时频图作为整个卷积神经网络模型泄漏识别的数据集进行模型训练；步骤6：通过麦克风阵列对实际输气管道进行巡检，采集实际输气管道附近声信号，并获取声信号的时频图，输入训练好的卷积神经网络模型，得到泄漏与否的识别结果。